人工智能技术在电力系统状态估计的应用研究

• 作者: 崔帅 李武龙 武剑 王向东 薛玉石 黄朝晖
• 来源期刊: 自动化与仪器仪表
• 学科: 工学
• 关键词: 状态估计 偏最小二乘 极限学习机 变量选择 鲁棒性
• 年，卷（期）: 2020,（3）
• 所属期刊栏目: 自动化应用
• 页码范围: 179-183
• 页数: 5页
• 分类号: TP29
• 语种: 中文
• DOI: 10.14016/j.cnki.1001-9227.2020.03.179

摘要

为了有效地提高状态估计的计算精度和鲁棒性,将人工智能技术与电网数据相结合,提出了基于偏最小二乘(PLS)和极限学习(ELM)的电力系统状态估计方法.针对量测量之间的强相关性问题,采用偏最小二乘(PLS)对各量测量进行重要信息提取和变量选择,将得到的最优变量输入ELM模型,从而建立了状态量的PLS-ELM模型,然后,采用IEEE14节点系统数据样本和实际电网历史数据对所提方法进行了验证,并将该方法与其他方法进行对比.结果表明,所提状态估计方法降低了模型的复杂程度,能够有效地抵抗量测量中的不良数据,具有较高的估计精度和较强的鲁棒性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	薛玉石		3	1	1.0	1.0
2	王向东		3	8	1.0	2.0
3	崔帅	华北电力大学电力工程系	5	3	1.0	1.0
4	李武龙		11	6	2.0	2.0
5	武剑		3	2	1.0	1.0
6	黄朝晖		2	2	1.0	1.0